用于估计对象的运动的系统和方法
【技术领域】
[0001] 在一个广泛的方面，本公开涉及确定对象的运动。
【背景技术】
[0002] 不能直接观察环境的移动自含传感器系统不可避免地会遭受传感器漂移，并且因 此，在定位中经历积累误差。另外，能够直接观察环境或者根据在环境内分布的传感器进 行测量的许多定位系统容易发生误差，这是因为：所采用的传感器的测量特性（例如，射频 (RF)测量和建筑物材料）的性质；在操作的环境内的干扰或障碍物（例如，建筑物布局；由 于城市环境中的拥挤现象、照明水平的改变、差的全球定位系统（GPS)卫星覆盖而引起的 激光和摄像头视场的阻碍）；和/或与操作的环境内观察到的地标或特征相关联的贫乏的 信息（例如，关于基于特征的/基于地标的定位与映射的信息）。这些问题由于使用有噪声 的并且遭受着固有问题和测量不准确的低成本传感器而变得复杂。
[0003] 已知可以用于跟踪移动对象（例如移动的有价值的人或物（asset))来获得对移 动对象的定位、跟踪和/或轨迹估计的多种系统，例如，GPS、惯性传感器设备和非惯性传感 器设备。尽管GPS是用于室外跟踪应用的有用的跟踪系统，但是当将GPS应用在室内和城 市导航或跟踪时存在许多限制。例如，在室内环境中并且与建筑物极接近时，GPS卫星的视 线可能基本上被遮蔽，并且GPS信号可能被极度衰减。随着信号的减弱，GPS接收器难以接 收GPS信号从而难以计算准确的位置信息。
[0004] 惯性跟踪系统通常从传感器例如陀螺仪和加速度计获得读数来估计对象的相对 路径。然而，惯性系统可能会由于以下因素而随着时间推移积累大的误差：例如传感器偏置 的漂移、传感器的内部偏移、灵敏度差、非线性和测量限制、以及通过这样的系统实现的位 置确定方法（例如算法）的局限。另外，依据跟踪对象的尺寸和成本要求可能需要使用较 便宜且耐用的惯性传感器，这潜在地增加了系统中的漂移。
[0005] 由于需要在各个跟踪位置处安装许多发射器/接收器设备，所以使用来自不同参 考点的信号来计算对象的位置的信号分析方法可能会是不可行的，并且由于穿过各种建筑 材料传播的信号的多径效应，所以该信号分析方法可能具有大的瞬时误差。
[0006] 作为另一示例，尽管在不存在磁干扰时使用磁场传感器可以提供对方位角的精确 检测，但是由于来自建筑物结构、电线以及其他的本地磁源的干扰，所以在建筑物中从这些 设备获取的数据常常会是不精确的。
[0007] 因此，需要改进的方法、系统、计算机程序产品和/或计算机可读的指令介质，该 改进的方法、系统、计算机程序产品和/或计算机可读的指令介质解决或至少改进现有技 术中固有的上述问题中的一个或更多个。
[0008] 在本公开中，对任何现有出版物（或从现有出版物衍生的信息）的参考或者对任 何已知事项的参考不被视为并且不应当被视为承认或认可或者以任何形式暗示现有出版 物（或从现有出版物衍生的信息）或者已知事项构成本说明书涉及的领域中的公知常识的 一部分。
【发明内容】
[0009] 在一个广泛的方面，本公开内容涉及确定对象的位置、运动、速度、姿态、轨迹以及 路径等。在一个实施例中，提供了一种使用传感器系统来确定对象的位置、轨迹、路径等的 方法和/或系统，其中对象可能在这样的环境中移动：对于该环境，对象的绝对位置或适当 准确的位置不可能通过传感器系统来直接地或可靠地获得。在另一个实施例中，提供了一 种基于将惯性导航、特征提取以及运动分类进行组合来估计对象的位置、运动、速度、姿态 和/或轨迹的方法和/或系统。
[0010] 所提及的"对象"应当被广义地解释并且可以包括例如移动的有价值的人或物、物 品、机器人、车辆、人、动物、任何类型的目标、移动或蜂窝电话、被动对象等。
【附图说明】
[0011] 示例性实施例应当根据以下描述而变得明显，该描述通过结合附图描述的仅作为 至少一个优选的但非限制性的实施例的示例给出。
[0012] 图1图示了用于运动检测、运动和活动分类以及对运动、速度、位置、方向以及轨 迹的估计的示例性方法的流程图。
[0013] 图2图示了用于使用与次级分类器级联的初级分类器来进行运动检测、运动和活 动分类以及对运动、速度、位置、方向以及轨迹的估计的示例性方法的流程图。
[0014] 图3图示了用于运动分类以及对静止运动和非静止运动的估计的示例性方法的 流程图。
[0015] 图4图不了不例特征提取方法的流程图。
[0016] 图5图示了用于通过将高度信息与运动测量进行结合来进行高度校正的示例方 法的流程图。
[0017] 图6图示了通过使用运动估计来识别固定的高度参考而进行高度校正的示例方 法的流程图。
[0018] 图7图示了可以用于实施或实现特定实施例的示例性系统。
[0019] 图8图示了可以用于实施或实现特定实施例的示例性处理系统。
[0020] 如前所述，应当注意的是，在所有图中，附图未按比例绘制，并且结构或者功能类 似的元件通常由类似的附图标来表示，用于例示目的。还应当注意的是，附图仅意在便于描 述优选的实施例。附图没有图示所描述的实施例的每个方面并且不限制本公开内容的范 围。
【具体实施方式】
[0021] 为了克服与低成本和低功率的传感器相关联的问题，以使用这样的传感器来进行 可行的位置估计，提出了以下架构：
[0022] 参考图1，图示了用于估计对象的运动、方向、位置以及轨迹的示例方法10。方法 10包括：在步骤12处，从一个或更多个传感器获得传感器数据。在优选的实施例中，使用 便于运动测量的一个或更多个传感器，例如惯性传感器等。
[0023] 在步骤14处，通过在步骤12处获得的传感器数据来确定对象的姿态。在一个实 施例中，对象的姿态是通过将相对惯性传感器与全局惯性传感器（例如，陀螺仪、加速度计 等）进行结合来确定的。
[0024] 在步骤16处，优选地通过将相对传感器与全局传感器（例如，加速度计、陀螺仪、 气压计）进行结合来估计对象的高度。步骤16还可以接收来自运动分类的信息（即，来自 下面讨论的步骤20的反馈）以改进高度估计。
[0025] 在步骤18处，从在步骤12处获得的传感器数据中提取特征并且该特征准备用于 运动分类。用于特征提取的核心输入包括惯性传感器数据（例如，来自加速度计和陀螺仪 的惯性传感器数据；另外，可以包括其他的数据，例如步骤14的姿态估计值和步骤16的高 度估计值）。
[0026] 在步骤20处，通过分类算法（例如，神经网络、支持向量机、贝叶斯网络 (Bayesian network)、朴素贝叶斯分类器（Naive Bayes classifier)、决策树、k 最近邻 (KNN，k-nearest neighbour)方法、提升方法（boosting)、动态贝叶斯网络（DBN，Dynamic Bayesian Network)、隐马尔可夫模型（HMM，Hidden Markov Model)、强化学习、逻辑回归、 遗传算法、高斯过程）来处理特征，以对正在被执行的运动和/或活动进行分类。
[0027] 在步骤22处，基于在步骤20中确定的被分类的运动来选择运动模型。
[0028] 在步骤24处，根据步骤12的传感器数据和/或姿态（步骤14)和/或高度估计 值（步骤16)来估计运动参数，并且将该运动参数应用于运动模型（步骤22)中。例如，传 感器数据可以用于基于所选择的运动模型来估计速度和/或距离，并且可以相对于姿态和 /或高度来估计速度和/或距离。
[0029] 在步骤26处，估计运动、位置、速度、姿态/方向以及轨迹。可以使用如下若干个 技术中的一个技术来执行此步骤：例如通过简单的航位推算（simple dead reckoning)或 者通过使用统计估计器例如扩展卡尔曼滤波器（EKF，Extended Kalman Filter)。
[0030] 可以以复杂的方式橾作的针对对象的导航
[0031] 在一些实施例中，正在使用的（多个）传感器相对于被跟踪的对象/有价值的人 或物可能不会始终对准。例如，考虑正在被跟踪的有价值的人或物上的移动电话/手持设 备或者其他便携式设备的使用。在这样的示例中，该设备与被跟踪的有价值的人或物（即， 人）之间的对准可能会变化。该设备可能被放置在口袋中、可能在通话时被举至耳朵、可能 在使用时被伸到用户前面，等等。此外，这样的移动设备可能需要位置估计"一直开启"，从 而连续地估计该设备的位置，使得当用户使用该设备时，位置估计已经可用。
[0032] 在这样复杂的操作/对准实施例中，图1所描述的处理已被扩展到通过使用两个 分类阶段一一初级运动分类阶段和次级运动分类阶段一一使得位置估计对于移动的对象、 设备和手持设备等可行。初级运动分类器和/或次级运动分类器可以用于识别对象（例如， 用于移动手持设备的对象）的使用/对准，这可以包括：移动设备是否处于用户的口袋中； 移动设备是否放置在桌子上；移动设备是被保持在左耳还是右耳；移动设备是纵向地还是 横向地保持在用户的前面，等等。初级分类阶段之后跟着次级分级阶段，该次级分类阶段利 用次级分类器（例如，神经网络、支持向量机、贝叶斯网络、朴素贝叶斯分类器、决策树、k最 近邻（KNN)方法、提升方法、动态贝叶斯网络（DBN)、